如何以客戶為中心進行數據挖掘與分析

數據挖掘與分析可以說是信息領域發(fā)展最快的技術，很多不同領域的專家都從中獲得了發(fā)展的空間，使得數據挖掘成為企業(yè)界討論的熱門話題。

隨著信息技術的發(fā)展，人們采集數據的手段越來越豐富，由此積累的數據日益膨脹，數據量達到GB甚至TB級，而且高位數據也成為了主流，于是數據挖掘這一融合多種分析手段，從大量數據中發(fā)現(xiàn)有用知識的方法就應運而生了，它的出現(xiàn)為商業(yè)決策提供了有價值的知識，讓企業(yè)獲得了利潤，在客戶內在需求管理中，數據挖掘正在起著導向的作用。

一、以客戶為中心的數據分析框架思想

信息時代到今天已經發(fā)生了三個變遷，從80年代的硬件時代，到90年代的軟件時代，到2000年開始的客戶為中心的信息時代。

我們也在這個階段看到了服務業(yè)的競爭也發(fā)生了翻天覆地的變化——從以服務內容取勝，到服務渠道取勝，到現(xiàn)階段的客戶體驗取勝。

1、從客戶視角構建業(yè)務框架

從宏觀視角看，業(yè)務戰(zhàn)略方向逐漸深入以客戶為中心的思想，從微觀視角看，在客戶為中心的思想驅動下，企業(yè)需要進行一整套的機制流程改變，包括客戶為中心的數據挖掘與分析，客戶為中心的業(yè)務規(guī)劃，客戶為中心的營銷規(guī)劃，客戶為中心的設計，客戶為中心的績效體系構建等。

傳統(tǒng)業(yè)務規(guī)劃我們通常只考慮業(yè)務之間的邏輯關系，較小的考慮客戶操作視角中形成的一連串的心理反映、行為特征、價值取向等等，而在客戶為中心的業(yè)務規(guī)劃中，客戶的每個操作都需要詳細分析，記錄在案，通過行為軌跡綜合分析客戶心理特征，所以能夠更有效的促進客戶完成業(yè)務，以下為傳統(tǒng)業(yè)務規(guī)劃和客戶為中心的業(yè)務規(guī)劃的兩個對比：

（1）、傳統(tǒng)業(yè)務規(guī)劃

①、大腦風暴構建業(yè)務流程，從業(yè)務規(guī)劃者角度而非客戶角度出發(fā)。

②、我們不知道客戶需要什么，更糟糕的是客戶可能也不知道。

③、每個環(huán)節(jié)都存在客戶流失，而我們不知道發(fā)生了什么。

④、客戶每次點擊都是營銷機會，但是我們錯過了每一次機會。

⑤、客戶在每一個環(huán)節(jié)都錯過了本來他可能會購買的商品。

⑥、當客戶離開時我們永久的失去了該客戶，沒有留下有價值的信息。

（2）、從客戶視角構建業(yè)務框架

①、以客戶為中心的思維方式構建業(yè)務框架。

②、系統(tǒng)需要滿足不同類型的客戶的個性化需求，其核心為數據挖掘和應用。

③、系統(tǒng)需要協(xié)助客戶達成實現(xiàn)客戶期望，并幫助客戶發(fā)現(xiàn)并實現(xiàn)潛在需求。

④、系統(tǒng)需要智能尋找最佳的幫助時機，智能的進行客戶協(xié)助。

⑤、系統(tǒng)建設需要考慮未來系統(tǒng)的發(fā)展方向，其核心為客戶需求挖掘。

2、業(yè)務及營銷為中心的數據體系建設

今天的營銷正在發(fā)生巨大的轉變，客戶需要更大的參與度，與企業(yè)更多的互動，特別在電子渠道中互動營銷正在成為主角。

客戶對企業(yè)的要求越來越高，對應的行為也在發(fā)生變化，而傳統(tǒng)以推送方式為主體的營銷方式不僅僅效率低下，而且使客戶越來越厭惡，這充分體現(xiàn)在了營銷轉化率低下，客戶拒絕率提升，滿意度下降等數據上。

如果我們細心觀察今天的廣告價格，您可以發(fā)現(xiàn)今天的營銷行為已經不再是把廣告投放到“新媒體”那么簡單，今天的營銷人員必須找到出路，努力在多種高度互動的營銷渠道中展開高級個性化和相關溝通，創(chuàng)造良好的客戶體驗，努力提升營銷效率。

以購買為例，我們經過客戶研究發(fā)現(xiàn)幾個行為特征，消費者首先對產品開始感興趣，此時銷售人員雖然可以幫助客戶，但是不宜直接對話，最佳方式通過系統(tǒng)智能的與消費者進行互動，幫助消費者決策，而當消費者產生了真正購買的沖動之后，消費者更愿意主動通過IM方式與客服溝通形成購買行為（具體可查看馬海祥博客《收集客戶關系管理數據的策略和需求分析》的相關介紹）。

所以，營銷人員必須對整個每個營銷時機有提前預估，這就要求我們在數據體系構建時，必須能夠幫助營銷人員統(tǒng)計客戶變化情況，并且需要滿足營銷人員針對客戶每時每刻不斷變化的需求進行個性化營銷定制的需求，協(xié)助營銷人員展開精準營銷活動。

①、數據框架建設必須以業(yè)務及營銷為中心

②、數據框架建設需要滿足現(xiàn)有的業(yè)務需求，并且需要盡可能滿足未來業(yè)務發(fā)展的需求

③、數據框架建設重點在于實現(xiàn)智能交互

④、數據需要能夠用于分析，判斷，決策，使用

⑤、數據框架建設需要能夠反應出數據的變化趨勢，協(xié)助業(yè)務的分析判斷

二、數據分析框架的主要事件

主要事件事件描述分類根據業(yè)務的需要進行必要的分類，比如對客戶評級的分類，AA等級或AAA等級估計根據業(yè)務數據判斷的需要定義需要估計的數據和數據區(qū)間值，對業(yè)務進行補充和協(xié)助。

例如根據客戶儲蓄和投資行為估計客戶投資風格預測根據數據的變化趨勢預測數據的發(fā)展方向；例如根據歷史投資數據幫助客戶預測投資行情等數據分組根據業(yè)務需要對數據進行分組；例如購買A類的客戶通常也會購買B類，購買A的客戶后有一個B周期會產生C行為聚類數據集合的邏輯關系，比如同時擁有A特征和B特征的數據，可以推斷出其也擁有C特征描述描述性數據有助于提取關鍵要素進行數據歸納；例如從數據關鍵詞中進行近似業(yè)務營銷，備忘錄等復雜數據挖掘例如Video，Audio，圖形圖像等等。

1、分類（Classification）

在業(yè)務構建中，最重要的分類一般是對客戶數據的分類，主要用于精準營銷。

通常分類數據最大的問題在于分類區(qū)間的規(guī)劃，例如分類區(qū)間的顆粒度以及分類區(qū)間的區(qū)間界限等，分類區(qū)間的規(guī)劃需要根據業(yè)務流來設定，而業(yè)務流的設計必須以客戶需要為核心，因此，馬海祥覺得分類的核心思想在于能夠完成滿足客戶需要的業(yè)務。

由于市場需求是變化的，分類通常也是變化的，例如銀行業(yè)務中VIP客戶的儲蓄區(qū)間。

2、估計（Estimation）

通常數據估計是互動營銷的基礎，基于客戶行為進行數據估計為基礎進行互動營銷已經被證實具有較高的業(yè)務轉化率，銀行業(yè)中通常通過客戶數據估計客戶對金融產品的偏好，電信業(yè)務和互聯(lián)網業(yè)務則通常通過客戶數據估計客戶需要的相關服務或者估計客戶的生命周期。

馬海祥覺得數據估計必須基于數據的細分和數據邏輯關聯(lián)性，數據估計需要有較高的數據挖掘和數據分析水平。

3、預測（Prediction）

根據數據變化趨勢進行未來預測通常是非常有力的產品推廣方式，例如證券業(yè)通常會推薦走勢良好的股票，銀行會根據客戶的資本情況協(xié)助客戶投資理財以達到某個未來預期，電信行業(yè)通常以服務使用的增長來判斷業(yè)務擴張和收縮以及營銷等。

數據預測通常是多個變量的共同結果，每組變量之間一般會存在某個相互聯(lián)系的數值，我們根據每個變量的關系通?？梢杂嬎愠鰯祿A測值，并以此作為業(yè)務決策的依據展開后續(xù)行動。

4、數據分組（Affinity Grouping）

數據分組是精準營銷的基礎，當數據分組以客戶特征為主要維度時，通常可以用于估計下一次行為的基礎，例如通過客戶使用的服務特征的需要來營銷配套服務和工具，購買了A類產品的客戶一般會有B行為等等（具體可查看馬海祥博客《如何通過數據來分析用戶與產品的關系》的相關介紹）。

在馬海祥看來，數據分組的難點在于分組維度的合理性，通常其精確性取決于分組邏輯是否與客戶行為特征一致。

5、聚類（Clustering）

數據聚類是數據分析的重點項目之一，例如在健康管理系統(tǒng)中通過癥狀組合可以大致估計病人的疾病，在電信行業(yè)產品創(chuàng)新中客戶使用的業(yè)務組合通常是構成服務套餐的重要依據，在銀行業(yè)產品創(chuàng)新中客戶投資行為聚合也是其金融產品創(chuàng)新的重要依據。

馬海祥提醒大家一點：數據聚類的要點在于聚類維度選取的正確性，需要不斷的實踐來驗證其可行性。

6、描述（Description）

描述性數據的最大效用在于可以對事件進行詳細歸納，通常很多細微的機會發(fā)現(xiàn)和靈感啟迪來自于一些描述性的客戶建議，同時客戶更愿意通過描述性的方法來查詢搜索等，這時就需要技術上通過較好的數據關聯(lián)方法來協(xié)助客戶。

描述性數據的使用難點在于大數據量下數據要素提取和歸類，其核心在于要素提取規(guī)則以及歸類方法，要素提取和歸類是其能夠被使用的基礎。

7、復雜數據挖掘

復雜數據挖掘比如Video，Audio等，其要素目前依然難以通過技術手段提取，但也可以從上下文與語境中提取一些要素幫助聚類，例如重要客戶標記了高度重要性的Video一般優(yōu)先權重也應該較高。

復雜數據的挖掘目前處理的方式一般通過數據錄入的標準化來解決，核心在于數據錄入標準體系的規(guī)劃，馬海祥建議為了整理的方便，初期規(guī)劃是盡可能考慮完善，不僅僅適用現(xiàn)在，而且可以適用于未來。

三、從客戶需求到業(yè)務

針對不同客戶群體的特點和需求，我們也應有針對性的數據挖掘和分析，用個性化的服務贏得了廣大客戶。

1、客戶為中心的業(yè)務規(guī)劃思想

客戶為中心的業(yè)務規(guī)劃大致有三個環(huán)節(jié)：從客戶研究到需求挖掘，從需求信息到數據化的需求管理，從需求文檔到業(yè)務規(guī)劃與設計。

客戶為中心的業(yè)務規(guī)劃不僅僅需要考慮業(yè)務需求是否能夠滿足需求的問題，還需要考慮到業(yè)務的變化趨勢，業(yè)務的營銷重點。

2、數據挖掘技術

對于客戶數據的挖掘，我們可以通過以下幾種方法來獲?。?/span>

（1）、Clickstream Data點擊流數據

①、直接訪問數量

②、訪客來源

③、訪客地理位置

④、點擊流跟蹤

（2）、Outcomes Data結果型數據

①、訪客（初次訪問數，訪問總數，平均回訪數，關注點）

②、頁面瀏覽（平均瀏覽數，總PV ，訪問超過一頁的訪客比）

③、時間（全局，人均）

④、關鍵行為（如：注冊，購買）

⑤、轉化率

（3）、Research Data研究性數據

①、客戶研究

②、啟發(fā)式評估，客戶體驗測試

③、客戶屬性（數據庫分析）

④、客戶期望分析（從數據到服務）

（4）、Competitive Data 競爭性數據

①、“面”數據測量（大眾分析）

②、網絡服務數據測量（行業(yè)分析）

③、搜索引擎測量（輿情分析）

3、數據分析技術

對于數據分析技術，我們有可以分為初級數據分析和高級數據分析2種：

（1）、初級數據分析

①、Click Density Analysis  點擊密度分析

②、Visitor Primary Purpose  訪客首要目的

③、Task Completion Rates  任務完成率

④、Segmented Visitor Trends  客戶分層

⑤、Multichannel Impact Analysis  渠道分析

（2）、高級數據分析

①、客戶價值組屬性

②、客戶特征組屬性

③、數據估計值組合

④、數據預期值組合

⑤、聚類組合分析

⑥、客戶深層次研究

4、跨渠道的數據交互思想

①、跨渠道數據交互一般服務或者營銷為目的。

②、跨渠道數據交互必須客戶為中心。

③、跨渠道數據交互能夠給客戶立體式體驗，有效提升品牌體驗。

5、基于數據的互動式業(yè)務規(guī)劃

①、基于數據交互的業(yè)務規(guī)劃對象一般是一個系列產品或服務鏈條，通常廣泛應用于通信業(yè)，銀行業(yè)，保險業(yè)，零售業(yè)等。

②、基于數據交互的業(yè)務規(guī)劃必須以客戶為中心，分析客戶出現(xiàn)需求的各種時機，并智能匹配以產品或服務，其實現(xiàn)以數據挖掘為核心。

6、基于數據的互動式營銷規(guī)劃

基于數據的交互式營銷主要指互動營銷，核心思想為分析客戶的特定時機需求，并根據該需求推薦相關產品或服務滿足客戶需要，廣泛應用于各種行業(yè)。

基于數據交互的業(yè)務規(guī)劃同樣必須以客戶為中心，分析客戶出現(xiàn)需求的各種時機，并智能匹配以產品或服務，其實現(xiàn)同樣以數據挖掘為核心。

7、數據預測

數據分析：對照A服務和B服務的使用記錄，使用A服務的客戶在1個月收益小于B服務，而3個月會產生收益大于B服務。

互動營銷：建議需要1個月服務的客戶使用B服務，建議需要3個月的客戶使用A服務。

業(yè)務創(chuàng)新：面向需要兩個月服務的客戶開發(fā)非A非B的C類型服務。

數據挖掘不是為了替代傳統(tǒng)的統(tǒng)計分析技術，相反，他是統(tǒng)計分析方法學的延伸和擴展，大多數的統(tǒng)計分析技術都基于完善的數學理論和高超的技巧，預測的準確度還是令人滿意的，但對使用者的要求很高，隨著計算機計算能力的不斷增強，我們有可能利用計算機強大的計算能力只通過相對簡單和固定的方法完成同樣的功能。